李經(jīng)緯 趙治國 沈沛鴻 郭秋伊

（同濟大學新能源汽車工程中心,上海201804）

主題詞：駕駛員 駕駛風格K-means聚類 識別HEV

1 前言

駕駛風格（Driving Style）用來表征駕駛員在實車運行環(huán)境中對車輛操作的行為特征，通過對駕駛員操作習慣和汽車行駛數(shù)據(jù)的分析，動態(tài)識別出駕駛員的駕駛風格，并對控制參數(shù)進行自適應(yīng)調(diào)節(jié)，對于改善車輛的燃油經(jīng)濟性有重要意義[1]。

國內(nèi)外學者對于駕駛風格的識別進行了相關(guān)研究，如，Constantinescu等[2]應(yīng)用主成分分析和分層聚類分析方法對駕駛風格進行分類和識別；Aljaafreh等[3]設(shè)計了模糊推理系統(tǒng)，將在一定長度時間窗中的車輛縱向加速度和橫向加速度的歐式范數(shù)以及平均車速作為輸入，實現(xiàn)了駕駛風格識別；Nadezda等[4]利用K最近鄰算法、神經(jīng)網(wǎng)絡(luò)、決策樹、隨機森林等方法對駕駛員風格進行了識別，并對各種識別方法準確度進行了比較；Meiring等[5]對在駕駛風格識別中用到的人工智能算法進行了總結(jié)，指出模糊邏輯推理系統(tǒng)、隱馬爾可夫模型和支持向量機在駕駛風格識別方面有更好的應(yīng)用前景。

上述研究大多只針對單一車型，并沒有對駕駛風格識別方法在不同車型上的通用性與適應(yīng)性進行研究。為此，本文設(shè)計了基于K-means的駕駛風格識別方法，并采集了商用車與乘用車行駛數(shù)據(jù)，驗證了所提出的方法對于不同車型識別的有效性。

2 不同車型駕駛風格識別的數(shù)據(jù)采集

為研究基于K-means聚類的駕駛風格識別方法對于不同車型的有效性，采集了不同駕駛員所駕駛的商用車和乘用車的行駛數(shù)據(jù)。

商用車選擇了上海市浦東993路混合動力公交車，該車從東昌路渡口站出發(fā)，經(jīng)過58站到達德翔路新德西路終點站，全程38 km，包含城市公路及內(nèi)、外環(huán)城市快速路等多種復雜路況。乘用車選擇了重慶市某混合動力（HEV）車型，在市區(qū)、郊區(qū)、高速、擁堵、通暢等不同路況下，分別由不同駕駛風格的3位專業(yè)駕駛員操控汽車完成試驗。采集的部分原始數(shù)據(jù)如圖1所示。

圖1 采集的部分原始數(shù)據(jù)

由圖1可看出，原始車速、加速踏板開度和制動踏板開度波動頻率較大，數(shù)據(jù)包含高頻噪聲，同時個別點加速度值超過了汽車的合理加速度范圍，這些點是異常點。為此，通過離群點檢測[6]進行數(shù)據(jù)清洗，使用滑動均值濾波法[7]濾除原始數(shù)據(jù)中的噪聲，數(shù)據(jù)預處理前、后的車速和加速踏板數(shù)據(jù)如圖2所示。由圖2可看出，預處理后的曲線沒有異常點，可用于進一步的分析。

3 駕駛風格特征參數(shù)構(gòu)建與主成分分析

在進行駕駛風格識別前，需要構(gòu)建駕駛風格特征參數(shù)，用以對各識別片段的駕駛風格進行描述。構(gòu)建的駕駛風格特征參數(shù)通常是一些與行駛信息有關(guān)的統(tǒng)計量，數(shù)目較多且彼此間存在相關(guān)性，需要使用主成分分析方法對其進行降維處理。

3.1 特征參數(shù)構(gòu)建

圖2 車速與加速踏板開度濾波前、后對比

采集得到的數(shù)據(jù)均為連續(xù)數(shù)據(jù)，為獲得更好的聚類效果，需要對原始數(shù)據(jù)進行特征參數(shù)構(gòu)建。構(gòu)建的特征參數(shù)不能太少或太多，為此，綜合相關(guān)文獻[1，2，8]選取了10個具有代表性的特征參數(shù)，見表1。

表1 特征參數(shù)

在計算特征參數(shù)時，需要確定駕駛風格識別周期的長度[9]。根據(jù)經(jīng)驗[8，9]，設(shè)定駕駛風格識別周期為 8 s，并對原始數(shù)據(jù)進行識別片段的劃分，其中每個識別片段長度等于駕駛風格識別周期長度。

3.2 主成分分析

主成分分析是統(tǒng)計學中常用的降維方法，它通過構(gòu)造原變量的線性組合，將原來眾多具有相關(guān)性的變量化為少數(shù)幾個相互獨立的綜合變量，同時盡可能多地保留原數(shù)據(jù)的信息[10]。在主成分求解之前，為消除量綱的差異，必須對其進行標準化處理，將每個特征參數(shù)對應(yīng)的數(shù)據(jù)都變成均值為0、方差為1的高斯分布。

定義識別片段矩陣為：

將識別片段的特征參數(shù)矩陣標準化后得到標準矩陣：

式中，i為標準矩陣（特征參數(shù)矩陣）的行下標；j為標準矩陣的列下標；p為行數(shù)，代表特征參數(shù)的數(shù)目，為10；n為列數(shù)，代表按駕駛風格識別周期劃分的片段數(shù);E為期望運算符;D為方差運算符。

對特征參數(shù)進行主成分分析，首先建立標準矩陣Y的系數(shù)矩陣：

表2 兩種車型統(tǒng)計值主成分分析結(jié)果

4 基于K-means聚類的駕駛風格識別方法

4.1 K-means方法介紹

K-means聚類算法采用距離作為相似性的評價指標，從初始聚類中心開始交替進行分配步和更新步直至聚類完成。在分配步中，將每一個觀測量分配到對應(yīng)的類簇，使得所有的觀測點到其對應(yīng)聚類中心的歐氏距離之和最短；在更新步中，用分配步得到的結(jié)果計算新的聚類中心，當聚類中心收斂時聚類結(jié)束[11]。K-means聚類方法對駕駛風格識別流程如圖3所示。

4.2 駕駛風格分類

在進行駕駛風格識別前需要對駕駛風格進行分類。因駕駛風格是駕駛員在實車運行環(huán)境中對車輛操作的行為特征[1]，其分類數(shù)目與車型無關(guān)，因此利用K-means聚類方法對重慶市某HEV乘用車試驗數(shù)據(jù)進行聚類分析，并確定合理的分類數(shù)目。為確定駕駛風格類型，將樣本數(shù)據(jù)分別聚成2類、3類和4類，不同聚類數(shù)目的駕駛風格識別結(jié)果如圖4所示。

圖3 K-means聚類方法對駕駛風格識別流程

圖4 不同聚類數(shù)目的駕駛風格識別結(jié)果

由圖4可看出，隨著聚類數(shù)目的增加，不斷有新的類簇從舊的類簇中產(chǎn)生，同時原有類簇之間的界限也發(fā)生了變化。對各類簇所對應(yīng)樣本的變化進行了統(tǒng)計，結(jié)果如表3所列。

表3 樣本數(shù)目隨聚類數(shù)目的變化

當聚類數(shù)目為2時，兩類簇樣本數(shù)目差別巨大，第2類簇內(nèi)的樣本數(shù)目達到總樣本數(shù)目的65.47%，比例超過了50%。這是因為所選的聚類數(shù)目偏少，分類不充分導致的欠分類問題；聚類數(shù)目為3時，各類簇樣本數(shù)目的差距開始變??；聚類數(shù)目為4時，各類簇樣本數(shù)目的差距繼續(xù)變小，但第2類簇內(nèi)樣本數(shù)目占總樣本數(shù)目的比例已不足15%，這是由于聚類數(shù)目過多帶來的過分類問題。

為了研究駕駛風格分類中的欠分類與過分類問題，對隨著聚類數(shù)目的變化各類簇間樣本數(shù)目的轉(zhuǎn)移進行了統(tǒng)計，如表4和表5所示。

表4 聚類數(shù)目從2變化到3時樣本在類簇間的轉(zhuǎn)移結(jié)果

由表4可知，當聚類數(shù)目從2變?yōu)?時，第1類簇的樣本數(shù)目略微下降，有少量屬于第1類簇的樣本被分到了第3類簇，同時第1類簇與第2類簇間的界限幾乎沒有變化，第2類簇內(nèi)超過60%的樣本被分到了新出現(xiàn)的第3類簇中，占第3類簇總樣本數(shù)的96%。因此聚類數(shù)目為2時無法充分分類，存在欠分類。

表5 聚類數(shù)目從3變化到4時樣本在類簇間的轉(zhuǎn)移結(jié)果

由表5可知，當聚類數(shù)目從3變到4時，原第1類簇、第2類簇和第3類簇包含的樣本數(shù)均有大幅下降。其中第1類簇損失的樣本全部流向了第4類簇；第2類簇的損失樣本主要流向第4類簇；第3類簇損失的樣本也主要流向了第4類簇。因此第4類簇的產(chǎn)生與第3類簇的產(chǎn)生有本質(zhì)的不同，是明顯的過分類，其樣本來源于前面所有的類簇，且較大地改變了第2類簇與第3類簇間的界限。

綜上所述，駕駛風格分為3類具有較好的分類效果，且各類簇具有合理的樣本數(shù)與清晰的界限。

4.3 駕駛風格識別

利用K-means聚類算法將駕駛風格分為3類，則993路公交車的駕駛風格識別結(jié)果如圖5所示，重慶市某HEV的駕駛風格識別結(jié)果如圖6所示。

圖5 993路公交車的駕駛風格識別結(jié)果

圖6 重慶市某HEV的駕駛風格識別結(jié)果

由圖可看出，兩種車型的行駛數(shù)據(jù)被清晰地分為3類，這表明對于不同車型的行駛數(shù)據(jù)，K-means聚類方法都可以實現(xiàn)駕駛風格的有效識別。

4.4 識別結(jié)果分析

前述分析中將駕駛風格分為了3類，但沒有將駕駛風格識別結(jié)果與人們對駕駛風格的定性認知結(jié)合起來。根據(jù)相關(guān)文獻[1,2，4，5，8]，按照駕駛員駕駛車輛激進程度的從弱到強將駕駛風格定性分為冷靜型、普通型和激進型3種。經(jīng)計算，兩種車型對應(yīng)3種駕駛風格的駕駛特征參數(shù)均值如表6所列。

由表6可知，對于商用車，在3種駕駛風格中，從冷靜型到激進型，加速度均值、加速度標準差、沖擊度均值、沖擊度標準差都是從小到大，這與越激進的駕駛風格越傾向于急加速和急減速的定義一致。因此用KMeans聚類對商用車駕駛風格進行識別是合理的。對于乘用車，加速度與沖擊度的相關(guān)參數(shù)是3種駕駛風格的重要特征，它們數(shù)值越大表征駕駛風格越趨向激進型，這與993路公交車數(shù)據(jù)得到的結(jié)論一致，因此基于K-means的駕駛風格識別方法對乘用車同樣有效。

表6 兩種車型對應(yīng)3種駕駛風格的駕駛特征參數(shù)均值

5 結(jié)束語

為研究駕駛風格識別方法，采集了上海市浦東993路公交車和重慶市某HEV實際運行數(shù)據(jù)，參考已有研究構(gòu)建了10個特征參數(shù)并確定駕駛風格識別周期為8 s。綜合使用主成分分析和K-means聚類方法對駕駛風格進行了識別，結(jié)果表明，將駕駛風格分為3類具有較好的聚類效果，且基于K-means的駕駛風格識別方法對乘用車和商用車均具有較好的識別效果，也進一步表明了該方法的通用性和有效性。